(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111567123.X (22)申请日 2021.12.20 (71)申请人 广州汇锦能效科技有限公司 地址 511455 广东省广州市南沙区黄阁镇 望江二街5号2316房 (72)发明人 谭福太　谢方静　余昭胜　林海　 陈庆文　张渊晟　马晓茜　 (74)专利代理 机构 广州粤高专利商标代理有限 公司 44102 代理人 禹小明 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/10(2012.01) G06Q 50/06(2012.01) G06N 3/00(2006.01)G06N 3/08(2006.01) G01D 21/02(2006.01) (54)发明名称 基于人工智能技术的校园能效与电气安全 管理方法和系统 (57)摘要 本发明公开了一种基于人工智能技术的校 园能效与电气安全管理方法和系统， 方法包括以 下步骤： S1： 采集前端实时用能数据和环境信息； S2： 将步骤S1采集的前端实时用能数据和环境信 息与历史用能数据进行分类存储； S3： 根据所述 实时用能数据， 建立BP神经网络模型， 并采用粒 子群算法优化所述BP神经网络模型来进行校园 能源用量的预测， 根据所述校园能源用量的预 测， 得到能源浪费位置和原因； S4： 根据能源浪费 位置找到对应的耗能设备， 自动化控制耗能设备 的工作状态。 本发明为学校管 理部门提供能源动 态监控信息和能耗数据分析和信息发布、 设备节 能分析、 电力安全防范等智慧化能源管理技 术。 权利要求书4页 说明书9页 附图3页 CN 114239972 A 2022.03.25 CN 114239972 A 1.一种基于人工智能技术的校园能效与电气安全管理方法， 其特征在于， 包括以下步 骤： S1： 采集前端实时用能数据和环境信息； S2： 将步骤S1采集的前端实时用能数据和环境信息与历史用能数据进行分类存 储； S3： 根据所述实时用能数据， 建立BP神经网络模型， 并采用粒子群算法优化所述BP神经 网络模型来进行校园能源用量的预测， 根据所述校园能源用量的预测， 得到能源浪费位置 和原因； S4： 根据能源浪费位置找到对应的耗能设备， 自动化控制耗能设备的工作状态。 2.根据权利要求1所述的基于人工智能技术的校园能效与电气安全管理方法， 其特征 在于， 步骤S1中采集前端实时用能数据和环境信息， 具体包括： 用电量、 太阳辐射值、 太阳能用能、 风速、 风能用能、 用水量、 天然气用量、 直接供热量、 室内温度、 万历表、 人 数和水泵用电量。 3.根据权利要求2所述的基于人工智能技术的校园能效与电气安全管理方法， 其特征 在于， 步骤S3中建立BP神经网络模型， 具体包括以下步骤： S201： 设置 输入神经 元， 输出神经 元和隐含层神经 元； S202： 设置最大训练步数、 学习率和停止训练参数； S203： 将样本数据进行归一 化映射到(0,1)之间； S204： BP神经网络模型的输出 再进行反归一 化处理； S205： 利用用电量、 太阳辐射值、 风速、 用水量、 天然气用量、 直接供热量、 室内温度、 万 历表、 人数和水泵用电量作为输入数据， 用电量、 太阳能用能、 风能用能、 天然气用量、 直接 供热量、 用水量和水泵用电量作为输出 数据训练所述BP神经网络模型； S206： 当误差小于所述停止训练参数时， 训练结束， 得到初步训练好的BP神经网络模 型。 4.根据权利要求3所述的基于人工智能技术的校园能效与电气安全管理方法， 其特征 在于， 步骤S3中采用粒子群算法优化所述BP神经网络模型， 具体包括以下步骤： S211： 初始化粒子群算法的最大迭代次数k、 粒子个数m、 惯性权 重ω、 学习因子 c1和c2； S212： 确定粒子的位置和速度的变化范围， 若超出这个范围D则设置为边界值， 并随机 选取每个粒子的初始位置和速度； S213： 将所述BP神经网路模型的预测误差作为粒子群的适应度函数， 计算并比较粒子 的适应度值， 找到粒子的最优位置； S214： 在每一 次迭代过程中， 粒子目前所找到的最优解Pi＝(Pi1,Pi2,…,PiD),整个种群 目前所找到的最优解为Ps＝(Ps1,Ps2,…,PsD),， 每个粒子通过这两最优解来更新自己的速 度和位置， 相应的进化方程 为 vk+1＝ωvk+c1r1(Pi‑present)+c2r2(Pg‑present) Pk+1＝Pk+vk+1 式中， vk+1、 vk分别为第k次迭代时粒子的速度， Pk+1、 Pk分别为第k次迭代时粒子的位置， present表示粒子当前 所处位置， r1、 r2为[0， 1]范围内产生的随机数； S215： 当超过最大迭代次数k时停止运行； 在预设的迭代次数内搜索到最优的网络连接 权值， 对BP神经网络模型进行优化。权　利　要　求　书 1/4 页 2 CN 114239972 A 25.根据权利要求4所述的基于人工智能技术的校园能效与电气安全管理方法， 其特征 在于， 步骤S3还包括建立预测误差估计模型， 当校园能源用量的预测的误差在允许范围内 时， 将当前校园能源消 耗情况与校园能源消 耗最低的工作模式对比形成能源成本报表， 得 到能源浪费位置和原因； 当校园能源用量的预测的误差不在允许范围内时， 重新收集前端 实时用能数据和环境信息， 重新建立BP神经网络模型， 并采用粒子群算法优化所述BP神经 网络模型。 6.根据权利要求5所述的基于人工智能技术的校园能效与电气安全管理方法， 其特征 在于， 所述预测误差估计模型， 具体为： S221： 将采用粒子群算法优化后的BP神经网络模型的预测数据结果sf与历史用能数据 sq进行对比， 计算不同时间段内的实际平均用能sq‑、 用能实际波动系数Sqa以及用能预测值 波动系数Sqf： n表示预测数据结果sf与历史用能数据sq的个数； S222： 计算预测误差估计EMAE： EMAE＝β0+β1Sqa+β2Sqf+β3Sq‑ 式中， β0为常数项系数， β1‑β3为对应变量的相关系数； S223： 利用Regress函数进行多元线性 回归分析并计算得出相关系数β0、 β1、 β2、 β3的值， 计算置信区间估计值 和 式中， 分别为 β0的下限和上限， 分别为 β1的下限和上限， 分别为β2的下限和上限， 分别为β3的下限和上限； S224： 得出用能数据预测值的上限 和下限 7.根据权利要求6所述的基于人工智能技术的校园能效与电气安全管理方法， 其特征 在于， 还包括步骤S 5： 通过步骤S2储存的历史用能数据计算能耗指标， 并采用线性拟合方法 获取校园内不同区域用能系统的能耗模式， 拟合出用能系统设备 的能耗占比方程， 可视化 耗能设备的节能比例。 8.根据权利要求7所述的基于人工智能技术的校园能效与电气安全管理方法， 其特征权　利　要　求　书 2/4 页 3 CN 114239972 A 3